CN112132091A - 遥感图像的解译方法、装置、计算机设备及其存储介质 - Google Patents

遥感图像的解译方法、装置、计算机设备及其存储介质 Download PDF

Info

Publication number
CN112132091A
CN112132091A CN202011055362.2A CN202011055362A CN112132091A CN 112132091 A CN112132091 A CN 112132091A CN 202011055362 A CN202011055362 A CN 202011055362A CN 112132091 A CN112132091 A CN 112132091A
Authority
CN
China
Prior art keywords
remote sensing
interpreted
image
sensing image
color
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011055362.2A
Other languages
English (en)
Inventor
卢斌荧
徐敏
魏清
侯春红
叶蓁
梅海峰
曹建农
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHAANXI TRAFFIC PLANNING DESIGN RESEARCH INSTITUTE
Original Assignee
SHAANXI TRAFFIC PLANNING DESIGN RESEARCH INSTITUTE
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SHAANXI TRAFFIC PLANNING DESIGN RESEARCH INSTITUTE filed Critical SHAANXI TRAFFIC PLANNING DESIGN RESEARCH INSTITUTE
Priority to CN202011055362.2A priority Critical patent/CN112132091A/zh
Publication of CN112132091A publication Critical patent/CN112132091A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration by the use of histogram techniques
    • G06T5/90—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/32—Normalisation of the pattern dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用于计算机技术领域，提供了一种遥感图像的解译方法、装置、计算机设备及其存储介质，所述方法包括以下步骤：输入大样本的待解译遥感图像；分析每个所述待解译遥感图像的主色以确定主色在全部色彩中所占比例；按预设的主色所占比例范围对所述大样本的待解译遥感图像进行分类，得到多个待解译遥感图像集合；将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中，得到多个图像解译结果集合，以输出与待解译遥感图像对应的图像解译结果，本发明的有益效果是：对不同复杂程度的待解译遥感图像进行分开解译，能大大提升解译效率。

Description

遥感图像的解译方法、装置、计算机设备及其存储介质
技术领域
本发明涉及计算机技术领域，尤其涉及一种遥感图像的解译方法、装置、计算机设备及其存储介质。
背景技术
随着科学技术的不断发展，遥感图像已经在交通、农业、林业、海洋、气象、军事等诸多领域内得到广泛的普及和应用。解译也称判读或判释，指从遥感图像获取信息的基本过程。即根据各专业(部门)的要求，运用解译标志和实践经验与知识，从遥感图像中识别目标，定性、定量地提取出目标的分布、结构、功能等有关信息，并把它们表示在地理底图上的过程。
现有技术中的遥感图像解译过程中经常会用到卷积神经网络，遥感图像本身的颜色种类信息或者颜色比例决定了遥感图像的复杂程度，复杂程度越高的遥感图像解译速度就越慢，现有技术并未针对不同遥感图像的复杂程度进行分别的卷积神经网络模型识别，遥感图像的解译效率低下。
发明内容
本发明实施例的目的在于提供一种遥感图像的解译方法、装置、计算机设备及其存储介质，旨在解决背景技术中提出的现有技术存在的技术问题。
本发明实施例是这样实现的，遥感图像的解译方法，包括以下步骤：
输入大样本的待解译遥感图像；
分析每个所述待解译遥感图像的主色以确定主色在全部色彩中所占比例；
按预设的主色所占比例范围对所述大样本的待解译遥感图像进行分类，得到多个待解译遥感图像集合；
将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中，得到多个图像解译结果集合，以输出与待解译遥感图像对应的图像解译结果。
作为本发明进一步的方案：所述获取大样本的待解译遥感图像的步骤，具体包括：
输入待解译遥感图像；
对待解译遥感图像进行包括图像尺寸变换和图像颜色校正在内的预处理；
得到图像尺寸和图像颜色符合要求的待解译遥感图像。
作为本发明再进一步的方案：所述图像色彩校正用于还原还原待解译遥感图像在标准光源下的真实色彩。
作为本发明再进一步的方案：所述分析每个所述待解译遥感图像的主色以确定主色在全部色彩中所占比例的步骤，具体包括：
提取待解译遥感图像的彩色直方图特征；
以占比最大的颜色作为主色，并输出主色所占比例。
作为本发明再进一步的方案：所述按预设的主色所占比例范围对所述大样本的待解译遥感图像进行分类，得到多个待解译遥感图像集合的步骤，具体包括：
预设多个主色范围；
升序或降序排列待解译遥感图像的主色所占比例；
将待解译遥感图像按照主色所占比例归入对应的主色范围内，形成多个待解译遥感图像集合。
作为本发明再进一步的方案：所述主色范围的跨度范围不超过5％。
作为本发明再进一步的方案：所述将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中，得到多个图像解译结果集合，以输出与待解译遥感图像对应的图像解译结果的步骤，具体包括：
为每一个待解译遥感图像集合中的待解译遥感图像关联唯一识别码；
将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中；
得到多个图像解译结果集合，以输出图像解译结果，并建立图像解译结果与待解译遥感图像的映射。
本发明实施例的另一目的在于提供一种遥感图像的解译装置，包括：
图像输入模块，用于输入大样本的待解译遥感图像；
图像分析模块，用于分析每个所述待解译遥感图像的主色以确定主色在全部色彩中所占比例；
图像分类模块，用于按预设的主色所占比例范围对所述大样本的待解译遥感图像进行分类，得到多个待解译遥感图像集合；以及
图像解译模块，用于将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中，得到多个图像解译结果集合，以输出与待解译遥感图像对应的图像解译结果。
本发明实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述遥感图像的解译方法的步骤。
本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述遥感图像的解译方法的步骤。
与现有技术相比，本发明的有益效果是：通过分析每个所述待解译遥感图像的主色以确定主色在全部色彩中所占比例，按预设的主色所占比例范围对所述大样本的待解译遥感图像进行分类，得到多个待解译遥感图像集合，然后再将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中，得到多个图像解译结果集合，以输出与待解译遥感图像对应的图像解译结果，对不同复杂程度的待解译遥感图像进行分开解译，能大大提升解译效率。
附图说明
图1为一种遥感图像的解译方法的流程图。
图2为获取大样本的待解译遥感图像步骤的流程图。
图3为确定主色在全部色彩中所占比例步骤的流程图。
图4为得到多个待解译遥感图像集合步骤的流程图。
图5为图像解译步骤的流程图。
图6为一种遥感图像的解译装置的模块示意图。
图7为一种计算机设备的模块示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述。
如图1所示，为本发明一个实施例提供的一种遥感图像的解译方法的流程图，包括：
S102，输入大样本的待解译遥感图像。
本发明实施例中，待解译遥感图像在输入之前需要进行初步的处理，以保证待解译遥感图像的格式、尺寸等数据满足后续的解译要求，本实施例在此不进行具体的限定。
S104，分析每个所述待解译遥感图像的主色以确定主色在全部色彩中所占比例。
本发明实施例中，遥感图像本身的颜色种类信息或者颜色比例决定了遥感图像的复杂程度，复杂程度越高的遥感图像解译速度就越慢，很明显的，主色就是指遥感图像中占比最大的颜色，主色在全部色彩中所占比例越高，说明遥感图像相对单调，元素组成相对较少，这部分遥感图像的解译正确率高且速度快，而对于主色在全部色彩中所占比例中较小的遥感图像，则元素组成多，这部分遥感图像的解译正确率相对较低且速度慢。
S106，按预设的主色所占比例范围对所述大样本的待解译遥感图像进行分类，得到多个待解译遥感图像集合。
本发明实施例中，主色所占比例可以划分为多个范围，按照上述范围标准对大样本的待解译遥感图像进行分类，每个范围可以获得一个符合要求的待解译遥感图像集合，最终分类完成后，可以得到多个待解译遥感图像集合，处于同一个待解译遥感图像集合内的待解译遥感图像的主色所占比例相近或者相同，即处于同一个待解译遥感图像集合内的待解译遥感图像的复杂程度相近或者相同。
S108，将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中，得到多个图像解译结果集合，以输出与待解译遥感图像对应的图像解译结果。
本发明实施例中，每个集合均对应一个卷积神经网络模型，或者说每个待解译遥感图像集合均匹配有对应的卷积神经网络模型，每个上述卷积神经网络模型的精度可以相同或者不同，对不同复杂程度的待解译遥感图像进行分开解译，能大大提升解译效率。
如图2所示，作为本发明一个优选的实施例，所述获取大样本的待解译遥感图像的步骤，具体包括：
S202，输入待解译遥感图像。
作为优选的，此处待解译遥感图像的数量可以为多个，即大样本的待解译遥感图像。此外，也可以输入视频格式，通过对视频流进行截图，也可以获取待解译遥感图像，本实施例在此不进行具体的限定。
S204，对待解译遥感图像进行包括图像尺寸变换和图像颜色校正在内的预处理。
本发明实施例中，预处理主要目的在于使得待解译遥感图像能更好的进行后续的解译，具体的来说，图像尺寸变换用于改变图像的尺寸，其可以通过裁剪、缩放的方式来实现，以使图像尺寸达到某种要求；图像颜色校正用于还原待解译遥感图像在标准光源下的真实色彩，减小图像传输或者其他情况对图像颜色造成的影响，其可以通过线性回归的算法来实现。总得来说，本实施例对上述待解译遥感图像的预处理不做具体的限定。
S206，得到图像尺寸和图像颜色符合要求的待解译遥感图像。
有必要进行说明的是，本实施例中，图像尺寸和图像颜色符合要求后，待解译遥感图像还可以进行格式转换，使得待解译遥感图像能够被卷积神经网络模型所识别。
如图3所示，作为本发明另一个优选的实施例，所述分析每个所述待解译遥感图像的主色以确定主色在全部色彩中所占比例的步骤，具体包括：
S302，提取待解译遥感图像的彩色直方图特征。
本发明实施例中，彩色直方图特征是在许多图像检索系统中被广泛采用的颜色特征。它所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。具体的，彩色直方图特征的获取方式为现有技术，本实施例在此不进行多余的限定。
S304，以占比最大的颜色作为主色，并输出主色所占比例。
本发明实施例中，主色就是指遥感图像中占比最大的颜色，主色在全部色彩中所占比例越高，说明遥感图像相对单调，元素组成相对较少，这部分遥感图像的解译正确率高且速度快，而对于主色在全部色彩中所占比例中较小的遥感图像，则元素组成多，这部分遥感图像的解译正确率相对较低且速度慢。因此，本实施例相当于是以主色所占比例来表征待解译遥感图像的复杂程度。
如图4所示，作为本发明另一个优选的实施例，所述按预设的主色所占比例范围对所述大样本的待解译遥感图像进行分类，得到多个待解译遥感图像集合的步骤，具体包括：
S402，预设多个主色范围。
本发明实施例的一种情况中，大样本的待解译遥感图像的主色所占比例分布在17％～99％之间，作为优选的，主色范围在进行划定或设置时，主色范围的跨度范围不超过5％，本实施例中，可以将主色范围划分为：17％～22％、23％～27％、…98％～99％等多个范围。
S404，升序或降序排列待解译遥感图像的主色所占比例。
本发明实施例中，以升序排列为例，大样本的待解译遥感图像的主色所占比例为：17％、17.4％、18％、19.1％、…97.3％、97.6％、98.5％、99％等多个。
S406，将待解译遥感图像按照主色所占比例归入对应的主色范围内，形成多个待解译遥感图像集合。
很明显的，17％、17.4％、18％、19.1％对应的是17％～22％的主色范围，17％、17.4％、18％、19.1％所对应的待解译遥感图像就会分类至17％～22％这个主色范围，形成待解译遥感图像集合。
如图5所示，作为本发明另一个优选的实施例，所述将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中，得到多个图像解译结果集合，以输出与待解译遥感图像对应的图像解译结果的步骤，具体包括：
S502，为每一个待解译遥感图像集合中的待解译遥感图像关联唯一识别码。
本发明实施例的一种情况中，唯一识别码可以为序列号，该序列号的设置目的在于使得相互之间的待解译遥感图像可以区别开来，同时在后续解译完成后，通过搜索该序列号可以直接得出原始的待解译遥感图像以及该待解译遥感图像的解译结果。
S504，将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中。
本发明实施例中，每个集合均对应一个卷积神经网络模型，上述卷积神经网络模型的精度可以相同或者不同，对不同复杂程度的待解译遥感图像进行分开解译，能大大提升解译效率。
S506，得到多个图像解译结果集合，以输出图像解译结果，并建立图像解译结果与待解译遥感图像的映射。
本发明实施例中，得到的多个图像解译结果集合分别与多个待解译遥感图像集合相互对应，当然需要将对应的待解译遥感图像与图像解译结果相互对应，即建立两者的映射关系。
如图6所示，本发明实施例还提供了一种遥感图像的解译装置的结构示意图，包括：
图像输入模块100，用于输入大样本的待解译遥感图像；
图像分析模块200，用于分析每个所述待解译遥感图像的主色以确定主色在全部色彩中所占比例；
图像分类模块300，用于按预设的主色所占比例范围对所述大样本的待解译遥感图像进行分类，得到多个待解译遥感图像集合；以及
图像解译模块400，用于将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中，得到多个图像解译结果集合，以输出与待解译遥感图像对应的图像解译结果。
本发明实施例中，遥感图像本身的颜色种类信息或者颜色比例决定了遥感图像的复杂程度，复杂程度越高的遥感图像解译速度就越慢，很明显的，主色就是指遥感图像中占比最大的颜色，主色在全部色彩中所占比例越高，说明遥感图像相对单调，元素组成相对较少，这部分遥感图像的解译正确率高且速度快，而对于主色在全部色彩中所占比例中较小的遥感图像，则元素组成多，这部分遥感图像的解译正确率相对较低且速度慢，主色所占比例可以划分为多个范围，按照上述范围标准由图像分类模块300对大样本的待解译遥感图像进行分类，每个范围可以获得一个符合要求的待解译遥感图像集合，最终分类完成后，可以得到多个待解译遥感图像集合，处于同一个待解译遥感图像集合内的待解译遥感图像的主色所占比例相近或者相同，即处于同一个待解译遥感图像集合内的待解译遥感图像的复杂程度相近或者相同，每个集合均对应一个卷积神经网络模型，上述卷积神经网络模型的精度可以相同或者不同，对不同复杂程度的待解译遥感图像进行分开解译，能大大提升解译效率。
如图7所示，本发明实施例还提供了一种计算机设备的模块示意图，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：
S102，输入大样本的待解译遥感图像；
S104，分析每个所述待解译遥感图像的主色以确定主色在全部色彩中所占比例；
S106，按预设的主色所占比例范围对所述大样本的待解译遥感图像进行分类，得到多个待解译遥感图像集合；
S108，将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中，得到多个图像解译结果集合，以输出与待解译遥感图像对应的图像解译结果。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行以下步骤：
S102，输入大样本的待解译遥感图像；
S104，分析每个所述待解译遥感图像的主色以确定主色在全部色彩中所占比例；
S106，按预设的主色所占比例范围对所述大样本的待解译遥感图像进行分类，得到多个待解译遥感图像集合；
S108，将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中，得到多个图像解译结果集合，以输出与待解译遥感图像对应的图像解译结果。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
本领域技术人员在考虑说明书及实施例处的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (10)

1.遥感图像的解译方法，其特征在于，包括以下步骤：
输入大样本的待解译遥感图像；
分析每个所述待解译遥感图像的主色以确定主色在全部色彩中所占比例；
按预设的主色所占比例范围对所述大样本的待解译遥感图像进行分类，得到多个待解译遥感图像集合；
将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中，得到多个图像解译结果集合，以输出与待解译遥感图像对应的图像解译结果。
2.根据权利要求1所述的遥感图像的解译方法，其特征在于，所述获取大样本的待解译遥感图像的步骤，具体包括：
输入待解译遥感图像；
对待解译遥感图像进行包括图像尺寸变换和图像颜色校正在内的预处理；
得到图像尺寸和图像颜色符合要求的待解译遥感图像。
3.根据权利要求2所述的遥感图像的解译方法，其特征在于，所述图像色彩校正用于还原还原待解译遥感图像在标准光源下的真实色彩。
4.根据权利要求1所述的遥感图像的解译方法，其特征在于，所述分析每个所述待解译遥感图像的主色以确定主色在全部色彩中所占比例的步骤，具体包括：
提取待解译遥感图像的彩色直方图特征；
以占比最大的颜色作为主色，并输出主色所占比例。
5.根据权利要求1所述的遥感图像的解译方法，其特征在于，所述按预设的主色所占比例范围对所述大样本的待解译遥感图像进行分类，得到多个待解译遥感图像集合的步骤，具体包括：
预设多个主色范围；
升序或降序排列待解译遥感图像的主色所占比例；
将待解译遥感图像按照主色所占比例归入对应的主色范围内，形成多个待解译遥感图像集合。
6.根据权利要求5所述的遥感图像的解译方法，其特征在于，所述主色范围的跨度范围不超过5％。
7.根据权利要求1所述的遥感图像的解译方法，其特征在于，所述将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中，得到多个图像解译结果集合，以输出与待解译遥感图像对应的图像解译结果的步骤，具体包括：
为每一个待解译遥感图像集合中的待解译遥感图像关联唯一识别码；
将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中；
得到多个图像解译结果集合，以输出图像解译结果，并建立图像解译结果与待解译遥感图像的映射。
8.遥感图像的解译装置，其特征在于，包括：
图像输入模块，用于输入大样本的待解译遥感图像；
图像分析模块，用于分析每个所述待解译遥感图像的主色以确定主色在全部色彩中所占比例；
图像分类模块，用于按预设的主色所占比例范围对所述大样本的待解译遥感图像进行分类，得到多个待解译遥感图像集合；以及
图像解译模块，用于将多个所述待解译遥感图像集合输入至对应的卷积神经网络模型中，得到多个图像解译结果集合，以输出与待解译遥感图像对应的图像解译结果。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至7中任一项权利要求所述遥感图像的解译方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至7中任一项权利要求所述遥感图像的解译方法的步骤。
CN202011055362.2A 2020-09-29 2020-09-29 遥感图像的解译方法、装置、计算机设备及其存储介质 Pending CN112132091A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011055362.2A CN112132091A (zh) 2020-09-29 2020-09-29 遥感图像的解译方法、装置、计算机设备及其存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011055362.2A CN112132091A (zh) 2020-09-29 2020-09-29 遥感图像的解译方法、装置、计算机设备及其存储介质

Publications (1)

Publication Number Publication Date
CN112132091A true CN112132091A (zh) 2020-12-25

Family

ID=73843277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011055362.2A Pending CN112132091A (zh) 2020-09-29 2020-09-29 遥感图像的解译方法、装置、计算机设备及其存储介质

Country Status (1)

Country Link
CN (1) CN112132091A (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19980034880A (ko) * 1996-11-09 1998-08-05 김광호 영상 특성 분류법을 이용한 영상 부호화 장치
CN101110101A (zh) * 2006-07-17 2008-01-23 松下电器产业株式会社 识别图像的方法及设备
US20080075360A1 (en) * 2006-09-21 2008-03-27 Microsoft Corporation Extracting dominant colors from images using classification techniques
US20100128058A1 (en) * 2007-03-27 2010-05-27 Akihiro Kawabata Image viewing apparatus and method
CN108229271A (zh) * 2017-01-23 2018-06-29 北京市商汤科技开发有限公司 解译遥感图像的方法、装置和电子设备
CN108647602A (zh) * 2018-04-28 2018-10-12 北京航空航天大学 一种基于图像复杂度判定的航空遥感图像场景分类方法
CN111047525A (zh) * 2019-11-18 2020-04-21 宁波大学 Sar遥感图像到光学遥感图像的翻译方法
CN111325126A (zh) * 2020-02-12 2020-06-23 二十一世纪空间技术应用股份有限公司 遥感图像的解译方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR19980034880A (ko) * 1996-11-09 1998-08-05 김광호 영상 특성 분류법을 이용한 영상 부호화 장치
CN101110101A (zh) * 2006-07-17 2008-01-23 松下电器产业株式会社 识别图像的方法及设备
US20080075360A1 (en) * 2006-09-21 2008-03-27 Microsoft Corporation Extracting dominant colors from images using classification techniques
US20100128058A1 (en) * 2007-03-27 2010-05-27 Akihiro Kawabata Image viewing apparatus and method
CN108229271A (zh) * 2017-01-23 2018-06-29 北京市商汤科技开发有限公司 解译遥感图像的方法、装置和电子设备
CN108647602A (zh) * 2018-04-28 2018-10-12 北京航空航天大学 一种基于图像复杂度判定的航空遥感图像场景分类方法
CN111047525A (zh) * 2019-11-18 2020-04-21 宁波大学 Sar遥感图像到光学遥感图像的翻译方法
CN111325126A (zh) * 2020-02-12 2020-06-23 二十一世纪空间技术应用股份有限公司 遥感图像的解译方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
BARTHÉLEMY Q 等: "Color sparse representations for image processing: review, models, and prospects", 《IEEE TRANS IMAGE PROCESS 》, vol. 24, no. 11, pages 3978 - 3989, XP011664781, DOI: 10.1109/TIP.2015.2458175 *
GALLO 等: "Deep Object Detection of Crop Weeds: Performance of YOLOv7 on a Real Case Dataset from UAV Images", 《REMOTE SENSING 15, NO. 2: 539》 *
YIN K等: "Fusing Multiple Visual Features for Image Complexity Evaluation", 《LECTURE NOTES IN COMPUTER SCIENCE, ADVANCES IN MULTIMEDIA INFORMATION PROCESSING – PCM 2013》, pages 308 - 317 *
周兵 等: "图像复杂度研究综述", 《计算机科学》, vol. 45, no. 9, pages 30 - 37 *

Similar Documents

Publication Publication Date Title
CN109543627B (zh) 一种判断驾驶行为类别的方法、装置、及计算机设备
CN111523414A (zh) 人脸识别方法、装置、计算机设备和存储介质
CN109063921B (zh) 客户风险预警的优化处理方法、装置、计算机设备和介质
CN111310598A (zh) 一种基于3维和2维混合卷积的高光谱遥感图像分类方法
CN112183295A (zh) 行人重识别方法、装置、计算机设备及存储介质
CN110689065A (zh) 一种基于扁平混合卷积神经网络的高光谱图像分类方法
CN114386514A (zh) 基于动态网络环境下的未知流量数据识别方法及装置
CN114037640A (zh) 图像生成方法及装置
CN113435254A (zh) 一种基于哨兵二号影像的耕地深度学习提取方法
CN112990175A (zh) 手写中文字符的识别方法、装置、计算机设备和存储介质
CN114677522B (zh) 基于建筑图斑和深度学习的建筑结构类型预测方法及系统
CN109145743A (zh) 一种基于深度学习的图像识别方法及装置
CN115909280A (zh) 基于多头注意力机制的交通标志识别算法
CN113673618A (zh) 一种融合注意力模型的烟虫目标检测方法
CN113762396A (zh) 一种二维图像语义分割方法
CN117475253A (zh) 一种模型训练方法、装置、电子设备及存储介质
CN112132091A (zh) 遥感图像的解译方法、装置、计算机设备及其存储介质
CN111768406A (zh) 细胞图像处理方法、装置、设备和存储介质
CN115982965A (zh) 去噪扩散样本增量学习的碳纤维材料损伤检测方法及装置
CN112101322B (zh) 目标物体检测模型、训练方法、物体检测方法和相关设备
CN115033728A (zh) 全球卫星影像搜索引擎数据爬取与归一化方法及系统
CN111160079A (zh) 一种快速识别柑橘花期的方法
Liu et al. IDAN: Image difference attention network for change detection
CN110991685A (zh) 一种气象温度预测方法
CN117058498B (zh) 分割图评估模型的训练方法、分割图的评估方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: No.37, Keji 6th Road, high tech Zone, Xi'an, Shaanxi 710000

Applicant after: Shaanxi transportation planning and Design Institute Co.,Ltd.

Address before: No.37, Keji 6th Road, high tech Zone, Xi'an City, Shaanxi Province, 710075

Applicant before: Shaanxi Traffic Planning Design Research Institute